家宽组网产品的需求预测方法、装置、设备以及介质与流程

1.本发明涉及计算机技术领域，尤其涉及一种家宽组网产品的需求预测方法、装置、设备以及介质。


背景技术：

2.家庭组网通过有线接入、无线覆盖的方式组成小型网络，家庭内的多个智能终端设备可以在该网络中相互传输数据，为家庭成员提供了极大的便利，广泛地应用于物联网各领域。家宽组网产品主要是用来解决家庭宽带用户的内网、wifi全屋覆盖、带宽提速等问题的产品。运营商通常采用需求预测模型来预测家庭组网产品的功能性需求。
3.但每个家庭的户型以及每个用户的实际使用位置和使用习惯不一，因此现有技术不能有效地判断出具有潜在组网需求的用户和/或家庭组网使用过程中存在问题需要调优的用户，从而无法准确为这些用户提供满意的宽带、组网以及无线接入服务。


技术实现要素：

4.本发明的主要目的在于提供一种家宽组网产品的需求预测方法、装置、设备以及介质，旨在解决如何准确为用户提供满意的宽带、组网以及无线接入服务的问题。
5.为实现上述目的，本发明提供的一种家宽组网产品的需求预测方法，所述家宽组网产品的需求预测方法包括以下步骤：
6.获取用户的宽带使用信息，并根据所述宽带使用信息生成用户特征；
7.将所述用户特征输入预设的需求预测模型；
8.获取所述需求预测模型输出的用户的家宽组网产品的需求信息。
9.在一实施例中，所述将所述用户特征输入预设的需求预测模型的步骤包括：
10.将所述用户特征作为输入值依次输入所述需求预测模型的各个全连接层，其中，每个全连接层根据输入值以及所述全连接层的预设权重矩阵、预设偏倚向量以及预设激活函数得到所述全连接层的输出值，并将所述输出值输入至下一全连接层，直至最后一个全连接层；
11.将最后一个全连接层的输出值作为所述需求信息。
12.在一实施例中，所述获取用户的宽带使用信息，并根据所述宽带使用信息生成用户特征的步骤包括：
13.获取预设平台的用户的宽带使用信息，所述预设平台至少包括智能网关平台、宽带电视服务质量监测系统以及千兆比特无源光网络网管平台中的至少一个，所述宽带使用信息至少包括卡顿次数、卡顿时长、终端wifi信号强度、下挂终端数以及路由器通信质量中的至少一种；
14.根据所述宽带使用信息生成用户特征，所述用户特征至少包括用户带宽利用率、终端wifi信号强度、下挂终端数、是否有质差路由器、分组互联网探索器网关平均时延、超常平均时延次数、分组互联网探索器网关平均丢包率、丢包日累计次数、应用服务卡顿次
数、应用服务日卡顿数、应用服务卡顿时长、应用服务播放成功率、网速慢投诉次数、光网络单元弱光率、用户上网时长以及光网络单元离线原因状态的至少一种。
15.在一实施例中，所述将所述用户特征输入预设的需求预测模型的步骤之前，还包括：
16.获取预设时间间隔内用户的宽带历史使用信息；
17.根据所述宽带历史使用信息确定训练样本；
18.根据所述训练样本训练预设的神经网络模型；
19.当所述神经网络模型收敛后，将收敛后的神经网络模型作为所述需求预测模型。
20.在一实施例中，所述将收敛后的神经网络模型作为所述需求预测模型的步骤包括：
21.根据所述宽带历史使用信息确定验证样本；
22.将所述验证样本输入收敛后的神经网络模型；
23.获取收敛后的神经网络的输出值与验证样本的误差值；
24.若误差值小于预设阈值，则根据收敛后的神经网络模型作为所述需求预测模型。
25.在一实施例中，所述根据所述训练样本训练预设的神经网络模型的步骤包括：
26.将所述训练样本作为输入值依次输入所述神经网络模型的各个全连接层，其中，每个全连接层根据输入值以及所述全连接层的初始权重矩阵、初始偏倚向量以及预设激活函数得到所述全连接层的输出值，并将所述输出值输入至下一全连接层，直至最后一个全连接层；
27.获取最后一个全连接层的输出值；
28.根据预设的损失函数确定所述输出值与所述训练样本对应的真实值的损失值，根据所述损失值确定权重矩阵以及偏倚向量；
29.根据所述权重矩阵以及偏倚向量确定所述需求预测模型。
30.在一实施例中，所述根据所述损失值确定权重矩阵以及偏倚向量的步骤包括：
31.根据预设算法计算损失函数的极值；
32.根据所述极值确定所述权重矩阵以及所述偏倚向量。
33.为实现上述目的，本发明还提供一种家宽组网产品的需求预测装置，所述家宽组网产品的需求预测装置包括：
34.获取模块，用于获取用户的宽带使用信息，并根据所述宽带使用信息生成用户特征；
35.输入模块，用于将所述用户特征输入预设的需求预测模型；
36.确定模块，用于获取所述需求预测模型输出的用户的家宽组网产品的需求信息。
37.为实现上述目的，本发明还提供一种家宽组网产品的需求预测设备，所述家宽组网产品的需求预测设备包括存储器、处理器以及存储在所述存储器并可在所述处理器上执行的家宽组网产品的需求预测程序，所述家宽组网产品的需求预测程序被所述处理器执行时实现如上所述的家宽组网产品的需求预测方法的各个步骤。
38.为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有家宽组网产品的需求预测程序，所述家宽组网产品的需求预测程序被处理器执行时实现如上所述的家宽组网产品的需求预测方法的各个步骤。
39.本发明提供的一种家宽组网产品的需求预测方法、装置、设备以及介质，获取用户的宽带使用信息，并根据宽带使用信息生成用户特征；将用户特征输入预设的需求预测模型；获取需求预测模型输出的用户的家宽组网产品的需求信息。通过用户特征确定用户对家宽组网产品的需求信息，用户特征贴合用户的宽带使用情况，提高对用户需求的预测的准确度，便于准确为用户提供满意的宽带、组网以及无线接入服务。
附图说明
40.图1为本发明实施例涉及的家宽组网产品的需求预测设备的硬件结构示意图；
41.图2为本发明家宽组网产品的需求预测方法的第一实施例的流程示意图；
42.图3为本发明需求预测模型的逻辑结构示意图；
43.图4为本发明家宽组网产品的需求预测方法的第二实施例的步骤s20的细化流程示意图；
44.图5为本发明家宽组网产品的需求预测方法的第三实施例的流程示意图；
45.图6为本发明家宽组网产品的需求预测装置的结构示意图；
46.图7为本发明家宽组网产品的需求预测装置的结构示意图。
47.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
48.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
49.本发明实施例的主要解决方案是：获取用户的宽带使用信息，并根据宽带使用信息生成用户特征；将用户特征输入预设的需求预测模型；获取需求预测模型输出的用户的家宽组网产品的需求信息。
50.通过用户特征确定用户对家宽组网产品的需求信息，用户特征贴合用户的宽带使用情况，提高对用户需求的预测的准确度，便于准确为用户提供满意的宽带、组网以及无线接入服务。
51.作为一种实现方案，家宽组网产品的需求预测设备可以如图1所示。
52.本发明实施例方案涉及的是家宽组网产品的需求预测设备，家宽组网产品的需求预测设备包括：处理器101，例如cpu，存储器102，通信总线103。其中，通信总线103用于实现这些组件之间的连接通信。
53.存储器102可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。如图1所示，作为一种计算机可读存储介质的存储器102中可以包括家宽组网产品的需求预测程序；而处理器101可以用于调用存储器102中存储的家宽组网产品的需求预测程序，并执行以下操作：
54.获取用户的宽带使用信息，并根据所述宽带使用信息生成用户特征；
55.将所述用户特征输入预设的需求预测模型；
56.获取所述需求预测模型输出的用户的家宽组网产品的需求信息。
57.在一实施例中，处理器101可以用于调用存储器102中存储的家宽组网产品的需求预测程序，并执行以下操作：
58.将所述用户特征作为输入值依次输入所述需求预测模型的各个全连接层，其中，
每个全连接层根据输入值以及所述全连接层的预设权重矩阵、预设偏倚向量以及预设激活函数得到所述全连接层的输出值，并将所述输出值输入至下一全连接层，直至最后一个全连接层；
59.将最后一个全连接层的输出值作为所述需求信息。
60.在一实施例中，处理器101可以用于调用存储器102中存储的家宽组网产品的需求预测程序，并执行以下操作：
61.获取预设平台的用户的宽带使用信息，所述预设平台至少包括智能网关平台、宽带电视服务质量监测系统以及千兆比特无源光网络网管平台中的至少一个，所述宽带使用信息至少包括卡顿次数、卡顿时长、终端wifi信号强度、下挂终端数以及路由器通信质量中的至少一种；
62.根据所述宽带使用信息生成用户特征，所述用户特征至少包括用户带宽利用率、终端wifi信号强度、下挂终端数、是否有质差路由器、分组互联网探索器网关平均时延、超常平均时延次数、分组互联网探索器网关平均丢包率、丢包日累计次数、应用服务卡顿次数、应用服务日卡顿数、应用服务卡顿时长、应用服务播放成功率、网速慢投诉次数、光网络单元弱光率、用户上网时长以及光网络单元离线原因状态的至少一种。
63.在一实施例中，处理器101可以用于调用存储器102中存储的家宽组网产品的需求预测程序，并执行以下操作：
64.获取预设时间间隔内用户的宽带历史使用信息；
65.根据所述宽带历史使用信息确定训练样本；
66.根据所述训练样本训练预设的神经网络模型；
67.当所述神经网络模型收敛后，将收敛后的神经网络模型作为所述需求预测模型。
68.在一实施例中，处理器101可以用于调用存储器102中存储的家宽组网产品的需求预测程序，并执行以下操作：
69.根据所述宽带历史使用信息确定验证样本；
70.将所述验证样本输入收敛后的神经网络模型；
71.获取收敛后的神经网络的输出值与验证样本的误差值；
72.若误差值小于预设阈值，则根据收敛后的神经网络模型作为所述需求预测模型。
73.在一实施例中，处理器101可以用于调用存储器102中存储的家宽组网产品的需求预测程序，并执行以下操作：
74.将所述训练样本作为输入值依次输入所述神经网络模型的各个全连接层，其中，每个全连接层根据输入值以及所述全连接层的初始权重矩阵、初始偏倚向量以及预设激活函数得到所述全连接层的输出值，并将所述输出值输入至下一全连接层，直至最后一个全连接层；
75.获取最后一个全连接层的输出值；
76.根据预设的损失函数确定所述输出值与所述训练样本对应的真实值的损失值，根据所述损失值确定权重矩阵以及偏倚向量；
77.根据所述权重矩阵以及偏倚向量确定所述需求预测模型。
78.在一实施例中，处理器101可以用于调用存储器102中存储的家宽组网产品的需求预测程序，并执行以下操作：
79.根据预设算法计算损失函数的极值；
80.根据所述极值确定所述权重矩阵以及所述偏倚向量。
81.基于上述家宽组网产品的需求预测设备的硬件构架，提出本发明家宽组网产品的需求预测方法的实施例。
82.参照图2，图2为本发明家宽组网产品的需求预测方法的第一实施例，所述家宽组网产品的需求预测方法包括以下步骤：
83.步骤s10，获取用户的宽带使用信息，并根据所述宽带使用信息生成用户特征。
84.具体的，用户的宽带使用信息可以包括卡顿次数、卡顿时长、终端wifi信号强度、下挂终端数以及路由器通信质量等信息。获取预设平台的用户的宽带使用信息，其中，预设平台包括智能网关平台、宽带电视服务质量监测系统和/或gpon(gigabit-capable pon，千兆比特无源光网络)网管平台。
85.将宽带使用信息中涉及网络质量和业务感知相关的性能提取为用户特征。用户特征包括用户带宽利用率、终端wifi信号强度、下挂终端数、是否有质差路由器、ping(packet internet groper，分组互联网探索器)网关平均时延、超常平均时延次数、ping网关平均丢包率、丢包日累计次数、ott卡顿次数、ott日卡顿数、ott卡顿时长、ott播放成功率、网速慢投诉次数、onu(optical network unit，光网络单元)弱光率、用户上网时长、onu离线原因状态等参数。其中，ott表示通过互联网向用户提供各种应用服务。
86.步骤s20，将所述用户特征输入预设的需求预测模型。
87.具体的，将所述用户特征输入预设的需求预测模型，其中，需求预测模型用于预测用户对家宽组网产品的需求信息。如图3所示，需求预测模型可以包括六层全连接层，可以分为输入层、隐藏层以及输出层。当用户特征为a个特征参数时，每层全连接层对应的神经元数量可以依次为a、64、32、16、8以及1，其中，a为输入层的神经元数量，1为输出层的神经元数量，其余为隐藏层的神经元数量。
88.步骤s30，获取所述需求预测模型输出的用户的家宽组网产品的需求信息。
89.具体的，获取所述需求预测模型输出的需求信息，家宽组网产品对应的需求信息可以用0或1表示，输出结果y为0的代表用户对家庭组网产品的需求较低；输出结果1的代表用户对家庭组网产品的需求度很高，可针对用户进行家庭组网产品的推荐，准确为用户提供满意的宽带、组网以及无线接入服务。
90.在本实施例的技术方案中，获取用户的宽带使用信息，并根据宽带使用信息生成用户特征；将用户特征输入预设的需求预测模型；获取需求预测模型输出的用户的家宽组网产品的需求信息。通过用户特征确定用户对家宽组网产品的需求信息，用户特征贴合用户的宽带使用情况，提高对用户需求的预测的准确度，便于准确为用户提供满意的宽带、组网以及无线接入服务。
91.参照图4，图4为本发明家宽组网产品的需求预测方法的第二实施例，基于第一实施例，所述步骤s20包括：
92.步骤s21，将所述用户特征作为输入值依次输入所述需求预测模型的各个全连接层，其中，每个全连接层根据输入值以及所述全连接层的预设权重矩阵、预设偏倚向量以及预设激活函数得到所述全连接层的输出值，并将所述输出值输入至下一全连接层，直至最后一个全连接层；
93.步骤s22，将最后一个全连接层的输出值作为所述需求信息。
94.具体的，将用户特征作为输入值依次输入需求预测模型的各个全连接层，每个全连接层根据输入值以及全连接层的预设权重矩阵、预设偏倚向量以及预设激活函数得到当前全连接层的输出值，并将输出值输入值下一全连接层，直至最后一个全连接层，将最后一个全连接层的输出值作为需求信息。示例性的，如图3所示，需求预测模型中每层全连接层的神经元之间对应一个权重矩阵以及一个偏倚向量，每个层全连接层的输出值的计算公式如下所示：
95.z
(l)
＝w
(l)f(l-1)
(z
(l-1)
)+b
(l)
；
96.其中，l为需求预测模型全连接层的层数，w
(l)
为第l-1层到第l层的权重矩阵；b
(l)
为第l-1层到第l层的偏倚向量；z
(l)
为第l层神经元的输出值。f
l
(
·
)为第l层神经元的激活函数；其中，隐藏层的激活函数可以为relu函数，输出层的激活函数为sigmoid函数。
97.在本实施例的技术方案中，将用户特征作为输入值依次输入需求预测模型的各个全连接层，其中，每个全连接层根据输入值以及全连接层的预设权重矩阵、预设偏倚向量以及预设激活函数得到全连接层的输出值，并将输出值输入至下一全连接层，直至最后一个全连接层；将最后一个全连接层的输出值作为需求信息。通过需求预测模型确定用户对家宽组网产品的需求信息，提高了对用户推荐的家宽组网产品的准确性。
98.参照图5，图5为本发明家宽组网产品的需求预测方法的第三实施例，基于第一或第二实施例，所述步骤s20之前，还包括：
99.步骤s40，获取预设时间间隔内用户的宽带历史使用信息；
100.步骤s50，根据所述宽带历史使用信息确定训练样本；
101.步骤s60，根据所述训练样本训练预设的神经网络模型；
102.步骤s70，当所述神经网络模型收敛后，将收敛后的神经网络模型作为所述需求预测模型。
103.具体的，获取预设时间间隔内用户的宽带历史使用信息，其中，预设时间间隔可以为六个月，宽带历史使用信息可以包括卡顿次数、卡顿时长、终端wifi信号强度、下挂终端数以及路由器通信质量等信息。可以获取预设平台的用户的宽带历史使用信息，其中，预设平台包括智能网关平台、宽带电视服务质量监测系统和/或gpon网管平台。
104.根据宽带历史使用信息确定训练样本，其中，训练样本可以包括用户特征，训练样本标记有真实值，也就是用户的真实需求信息。训练样本包含的用户特征可以包括用户带宽利用率、终端wifi信号强度、下挂终端数、是否有质差路由器、ping网关平均时延、超常平均时延次数、ping网关平均丢包率、丢包日累计次数、ott卡顿次数、ott日卡顿数、ott卡顿时长、ott播放成功率、网速慢投诉次数、onu弱光率、用户上网时长、onu离线原因状态等参数。
105.根据训练样本训练预设的神经网络模型，可以将训练样本作为输入值依次输入所述神经网络模型的各个全连接层，其中，每个全连接层根据输入值以及全连接层的初始权重矩阵、初始偏倚向量以及预设激活函数得到全连接层的输出值，并将输出值输入至下一全连接层，直至最后一个全连接层；获取最后一个全连接层的输出值。根据预设的损失函数可以确定输出值与训练样本对应的真实值的损失值，其中，预设的损失函数可以是指数损失函数、对数损失函数或者交叉熵损失函数等。根据损失值确定权重矩阵以及偏倚向量，可
以是根据最小损失值确定权重矩阵以及偏倚向量，也可以是根据预设算法计算损失函数的极值，根据极值确定权重矩阵以及偏倚向量。其中，预设算法可以是梯度下降法、牛顿法或者拟牛顿法等。根据得到的权重矩阵以及偏倚向量确定需求预测模型。
106.当神经网络模型收敛后，可以直接将收敛后的神经网络模型作为需求预测模型。也可以根据宽带历史使用信息确定验证样本，其中验证样本包括已办理家宽组网产品的用户对应的用户特征。将验证样本输入收敛后的神经网络模型，获取收敛后的神经网络的输出值与验证样本的误差值，若误差值小于预设阈值，则根据收敛后的神经网络模型作为需求预测模型。若误差值大于或等于预设阈值，则通过调整用户特征的取值范围或者种类等，重新进行神经网络模型的训练。
107.在本实施例的技术方案中，获取预设时间间隔内用户的宽带历史使用信息，根据宽带历史使用信息确定训练样本，根据训练样本训练预设的神经网络模型，当神经网络模型收敛后，将收敛后的神经网络模型作为需求预测模型。通过训练样本训练得到需求预测模型，用于确定用户对家宽组网产品的需求信息，提高了对用户推荐的家宽组网产品的准确性。
108.参照图6，本发明还提供一种家宽组网产品的需求预测装置，所述家宽组网产品的需求预测装置包括：
109.获取模块100，用于获取用户的宽带使用信息，并根据所述宽带使用信息生成用户特征；
110.输入模块200，用于将所述用户特征输入预设的需求预测模型；
111.确定模块300，用于获取所述需求预测模型输出的用户的家宽组网产品的需求信息。
112.在一实施例中，在将所述用户特征输入预设的需求预测模型方面，所述输入模块200具体用于：
113.将所述用户特征作为输入值依次输入所述需求预测模型的各个全连接层，其中，每个全连接层根据输入值以及所述全连接层的预设权重矩阵、预设偏倚向量以及预设激活函数得到所述全连接层的输出值，并将所述输出值输入至下一全连接层，直至最后一个全连接层；
114.将最后一个全连接层的输出值作为所述需求信息。
115.在一实施例中，在获取用户的宽带使用信息方面，所述获取模块100具体用于：
116.获取预设平台的用户的宽带使用信息，所述预设平台至少包括智能网关平台、宽带电视服务质量监测系统以及千兆比特无源光网络网管平台中的至少一个，所述宽带使用信息至少包括卡顿次数、卡顿时长、终端wifi信号强度、下挂终端数以及路由器通信质量中的至少一种；
117.根据所述宽带使用信息生成用户特征，所述用户特征至少包括用户带宽利用率、终端wifi信号强度、下挂终端数、是否有质差路由器、分组互联网探索器网关平均时延、超常平均时延次数、分组互联网探索器网关平均丢包率、丢包日累计次数、应用服务卡顿次数、应用服务日卡顿数、应用服务卡顿时长、应用服务播放成功率、网速慢投诉次数、光网络单元弱光率、用户上网时长以及光网络单元离线原因状态的至少一种。
118.参照图7，在一实施例中，在将所述用户特征输入预设的需求预测模型之前，所述
家宽组网产品的需求预测装置还包括：
119.训练模块400，用于获取预设时间间隔内用户的宽带历史使用信息；根据所述宽带历史使用信息确定训练样本；根据所述训练样本训练预设的神经网络模型；当所述神经网络模型收敛后，将收敛后的神经网络模型作为所述需求预测模型。
120.在一实施例中，在将收敛后的神经网络模型作为所述需求预测模型方面，所述训练模块400具体用于：
121.根据所述宽带历史使用信息确定验证样本；
122.将所述验证样本输入收敛后的神经网络模型；
123.获取收敛后的神经网络的输出值与验证样本的误差值；
124.若误差值小于预设阈值，则根据收敛后的神经网络模型作为所述需求预测模型。
125.在一实施例中，在根据所述训练样本训练预设的神经网络模型方面，所述训练模块400具体用于：
126.将所述训练样本作为输入值依次输入所述神经网络模型的各个全连接层，其中，每个全连接层根据输入值以及所述全连接层的初始权重矩阵、初始偏倚向量以及预设激活函数得到所述全连接层的输出值，并将所述输出值输入至下一全连接层，直至最后一个全连接层；
127.获取最后一个全连接层的输出值；
128.根据预设的损失函数确定所述输出值与所述训练样本对应的真实值的损失值，根据所述损失值确定权重矩阵以及偏倚向量；
129.根据所述权重矩阵以及偏倚向量确定所述需求预测模型。
130.在一实施例中，在根据所述损失值确定权重矩阵以及偏倚向量方面，所述训练模块400具体用于：
131.根据预设算法计算损失函数的极值；
132.根据所述极值确定所述权重矩阵以及所述偏倚向量。
133.本发明还提供一种家宽组网产品的需求预测设备，所述家宽组网产品的需求预测设备包括存储器、处理器以及存储在所述存储器并可在所述处理器上执行的家宽组网产品的需求预测程序，所述家宽组网产品的需求预测程序被所述处理器执行时实现如上实施例所述的家宽组网产品的需求预测方法的各个步骤。
134.本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有家宽组网产品的需求预测程序，所述家宽组网产品的需求预测程序被处理器执行时实现如上实施例所述的家宽组网产品的需求预测方法的各个步骤。
135.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
136.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、系统、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、系统、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、系统、物品或者装置中还存在另外的相同要素。
137.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例系统可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下
前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个计算机可读存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，停车管理设备，空调器，或者网络设备等)执行本发明各个实施例所述的系统。
138.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。